KR101784106B1 - 지식구조를 이용한 다중 컨텐츠 평가 방법, 그 장치 및 이를 이용한 컨텐츠 추천방법 - Google Patents

지식구조를 이용한 다중 컨텐츠 평가 방법, 그 장치 및 이를 이용한 컨텐츠 추천방법 Download PDF

Info

Publication number
KR101784106B1
KR101784106B1 KR1020160081128A KR20160081128A KR101784106B1 KR 101784106 B1 KR101784106 B1 KR 101784106B1 KR 1020160081128 A KR1020160081128 A KR 1020160081128A KR 20160081128 A KR20160081128 A KR 20160081128A KR 101784106 B1 KR101784106 B1 KR 101784106B1
Authority
KR
South Korea
Prior art keywords
user
knowledge structure
preference
similarity
content
Prior art date
Application number
KR1020160081128A
Other languages
English (en)
Inventor
이문용
박준영
Original Assignee
한국과학기술원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국과학기술원 filed Critical 한국과학기술원
Priority to KR1020160081128A priority Critical patent/KR101784106B1/ko
Application granted granted Critical
Publication of KR101784106B1 publication Critical patent/KR101784106B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
    • G06Q30/0224—Discounts or incentives, e.g. coupons or rebates based on user history
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G06F17/30536—
    • G06F17/30542—
    • G06F17/30699—

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Computational Mathematics (AREA)
  • Development Economics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Accounting & Taxation (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Strategic Management (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 발명의 실시 예에 따른, 지식구조를 이용한 다중 컨텐츠 평가 방법은, 사용자 기록 및 다중 컨텐츠 데이터를 기반으로 하는 사용자 지식구조를 구축하는 단계; 상기 구축된 사용자 지식구조에 기초하여, 선호도 정보를 이용한 지식구조 기반의 사용자간 유사도를 분석하는 단계; 상기 다중 컨텐츠 데이터의 메타 정보에 대한 지식 구조를 구축하고, 상기 사용자 지식구조과의 관계도에 따라, 메타 정보에 대한 사용자 선호도를 분석하는 단계; 및 상기 분석된 사용자 지식구조간 유사도 또는 메타 정보에 대한 사용자 선호도 중 적어도 하나에 기초하여, 신규 컨텐츠에 대응되는 사용자 적합성을 예측 평가하는 단계를 포함한다.

Description

지식구조를 이용한 다중 컨텐츠 평가 방법, 그 장치 및 이를 이용한 컨텐츠 추천방법 {A METHOD FOR EVALUATING MULTI CONTENTS BASED ON KNOWLEDGE STRUCTURE, AN APPRATUS USING IT AND A METHOD FOR RECOMMENDING CONTENTS USING KNOWLEDGE STRUCTURE}
본 발명은 지식구조를 이용한 다중 컨텐츠 평가 방법 및 이를 이용한 컨텐츠 추천방법에 관한 것으로, 보다 상세하게는 지식구조를 이용하여 사용자간 선호도를 평가한 후, 세부 토픽에 관하여 유사도를 미세 조정하여 사용자에게 적합한 컨텐츠를 지수화하는 지식구조를 이용한 다중 컨텐츠 평가 방법 및 이를 이용한 컨텐츠 추천방법에 관한 것이다.
컨텐츠는 다양한 종류의 카테고리가 존재하며, 사용자는 다양한 종류의 카테고리의 컨텐츠에 대한 사용자의 선호도는 컨텐츠의 주제(토픽)뿐만 아니라 세부적인 카테고리데 대해서도 상이해지며, 점차 컨텐츠의 다양화에 따라 이러한 사용자 선호도에 대한 평가와 프로파일 구축은 점차 복잡해지는 상황이다.
하지만. 기존의 컨텐츠 평가 및 이에 기반한 추천 방법은 단일 종류의 카테고리에 기반한 것이다. 예를 들어 국내의 컨텐츠 검색 서비스인 왓챠나 해외에서 제고되는 서비스인 아마존의 경우 기존 검색어 등에 기반한 단편적인 사용자 선호도 평가에 기반하여 상이한 카테고리 컨텐츠에 대한 사용자의 선호도를 평가하기 어려웠고, 이에 따라 이에 대한 상이한 종류의 카테고리 컨텐츠에 대한 정밀한 평가 및 이에 따른 추천방법을 제공하기 어려웠다.
예를들어 대한민국 등록특허 10-113923호(선행문헌 1)는 다수의 정형화된 필수 카테고리를 포함하는 컨텐츠 정보를 카테고리 누진형 접근 방식으로 검색할 수 있는 컨텐츠 정보 서비스 방법 및 시스템을 개시한다.
하지만 선행문헌 1은 카토고리에 대한 사용자의 다양한 선호도를 고려하지 않고, 다수의 카테고리를 구조화하는 방식으로 컨텐츠를 평가하는 문제가 있다.
미국특허 11/233,164 호(선행문헌 2)는 구조화된 데이터의 탐색 방법을 개시하고 있다. 선행문헌 2는 검색 입력의 수신에 응답하여, 데이터 저장소가 액세스되며, .데이터 저장소는 다양한 정보 요소를 포함할 수 있고, 이들 정보 요소 각각에는 하나 이상의 카테고리화 용어들이 부가되는 기술을 개시하고 있으나, 카토고리에 대한 사용자의 다양한 선호도를 고려하지 않는 문제가 있다.
본 발명은 상기와 같은 문제점을 해결하기 위한 것으로, 정밀한 사용자 프로파일별 지식구조를 구축하고, 사용자 선호도 분석 및 다양한 종류의 카테고리 컨텐츠에 대한 관계도 분석 모델링과 정밀한 평가를 통해, 다중 또는 복합 컨텐츠에 대해서도 적절한 사용자 검색 및 추천을 제공할 수 있는 지식구조를 이용한 다중 컨텐츠 평가 방법 및 이를 이용한 컨텐츠 추천방법을 제공하는데 그 목적이 있다.
상기와 같은 과제를 해결하기 위한 본 발명의 실시 예에 따른 방법은, 지식구조를 이용한 다중 컨텐츠 평가 방법에 있어서, 사용자 기록 및 다중 컨텐츠 데이터를 기반으로 하는 사용자 지식구조를 구축하는 단계; 상기 구축된 사용자 지식구조에 기초하여, 선호도 정보를 이용한 지식구조 기반의 사용자간 유사도를 분석하는 단계; 상기 다중 컨텐츠 데이터의 메타 정보에 대한 지식 구조를 구축하고, 상기 사용자 지식구조과의 관계도에 따라, 메타 정보에 대한 사용자 선호도를 분석하는 단계; 및 상기 분석된 사용자 지식구조간 유사도 또는 메타 정보에 대한 사용자 선호도 중 적어도 하나에 기초하여, 신규 컨텐츠에 대응되는 사용자 적합성을 예측 평가하는 단계를 포함한다.
또한, 상기와 같은 과제를 해결하기 위한 본 발명의 실시 예에 따른 장치는, 지식구조를 이용한 다중 컨텐츠 평가 장치에 있어서, 사용자 기록 및 다중 컨텐츠 데이터를 기반으로 하는 사용자 지식구조를 구축하는 지식구조 구축부; 상기 구축된 사용자 지식구조에 기초하여, 선호도 정보를 이용한 지식구조 기반의 사용자간 유사도를 분석하는 유사도 분석부; 상기 다중 컨텐츠 데이터의 메타 정보에 대한 지식 구조를 구축하고, 상기 사용자 지식구조과의 관계도에 따라, 메타 정보에 대한 사용자 선호도를 분석하는 선호도 분석부; 상기 분석된 사용자 지식구조간 유사도 또는 메타 정보에 대한 사용자 선호도 중 적어도 하나에 기초하여, 신규 컨텐츠에 대응되는 사용자 적합성을 예측 평가하는 평가 예측부; 및 상기 평가에 따라 적합하다고 판단되는 상기 신규 컨텐츠를 사용자에게 추천 또는 제공하는 컨텐츠 관리부를 포함한다.
그리고, 상기와 같은 과제를 해결하기 위한 본 발명의 실시 예에 따른 방법은, 지식구조를 이용한 다중 컨텐츠 추천 방법에 있어서, 사용자 기록 및 다중 컨텐츠 데이터를 기반으로 하는 사용자 지식구조를 구축하는 단계; 상기 구축된 사용자 지식구조에 기초하여, 선호도 정보를 이용한 지식구조 기반의 사용자간 유사도를 분석하는 단계; 상기 다중 컨텐츠 데이터의 메타 정보에 대한 지식 구조를 구축하고, 상기 사용자 지식구조과의 관계도에 따라, 메타 정보에 대한 사용자 선호도를 분석하는 단계; 상기 분석된 사용자 지식구조간 유사도 또는 메타 정보에 대한 사용자 선호도 중 적어도 하나에 기초하여, 신규 컨텐츠에 대응되는 사용자 적합성을 예측 평가하는 단계; 및 상기 평가에 따라 적합하다고 판단되는 상기 신규 컨텐츠를 사용자에게 추천 또는 제공하는 단계를 포함한다.
한편, 상기와 같은 과제를 해결하기 위한 본 발명의 실시 예에 따른 방법은 상기 방법을 컴퓨터에서 실행시키기 위한 프로그램 및 상기 프로그램이 기록된 기록 매체로 구현될 수 있다.
본 발명의 실시 예에 따르면, 다른 종류의 카테고리를 포함하는 다중 컨텐츠에 대한 사용자의 선호도를 정밀하게 평가하여, 이종 카테고리 간에도 사용자의 선호도에 가장 부합하는 컨텐츠를 찾아 추천할 수 있다. 특히. 사용자-사용자간 유사도를 카테고리의 지식구조와 대비하여 평가함으로써 각 사용자의 카테고리에 대한 선호도를 평가하고, 각 카테고리에 대한 사용자의 세부토픽 선호도를 미세 조정함으로써 보다 정밀한 선호도 평가가 가능하며, 아울러 이종 카테고리의 컨텐츠에 대해서도 객관적 평가를 통한 선호도 분석이 가능하다.
도 1은 본 발명의 실시 예에 따른 전체 시스템을 도시한 개념도이다.
도 2는 본 발명의 실시 예에 따른 다중 컨텐츠 평가 장치를 보다 구체적으로 도시한 블록도이다.
도 3은 본 발명의 실시 예에 따른 다중 컨텐츠 평가 방법을 보다 구체적으로 도시한 흐름도이다.
도 4 내지 도 8은 본 발명의 실시 예에 따라 형성되는 지식구조 및 사용자 간 유사도 분석을 도식화하여 설명하기 위한 도면들이다.
이하의 내용은 단지 본 발명의 원리를 예시한다. 그러므로 당 업자는 비록 본 명세서에 명확히 설명되거나 도시되지 않았지만 본 발명의 원리를 구현하고 본 발명의 개념과 범위에 포함된 다양한 장치를 발명할 수 있는 것이다. 또한, 본 명세서에 열거된 모든 조건부 용어 및 실시 예들은 원칙적으로, 본 발명의 개념이 이해되도록 하기 위한 목적으로만 명백히 의도되고, 이와 같이 특별히 열거된 실시 예들 및 상태들에 제한적이지 않는 것으로 이해되어야 한다.
또한, 본 발명의 원리, 관점 및 실시 예들뿐만 아니라 특정 실시 예를 열거하는 모든 상세한 설명은 이러한 사항의 구조적 및 기능적 균등물을 포함하도록 의도되는 것으로 이해되어야 한다. 또한 이러한 균등물들은 현재 공지된 균등물뿐만 아니라 장래에 개발될 균등물 즉 구조와 무관하게 동일한 기능을 수행하도록 발명된 모든 소자를 포함하는 것으로 이해되어야 한다.
따라서, 예를 들어, 본 명세서의 블럭도는 본 발명의 원리를 구체화하는 예시적인 회로의 개념적인 관점을 나타내는 것으로 이해되어야 한다. 이와 유사하게, 모든 흐름도, 상태 변환도, 의사 코드 등은 컴퓨터가 판독 가능한 매체에 실질적으로 나타낼 수 있고 컴퓨터 또는 프로세서가 명백히 도시되었는지 여부를 불문하고 컴퓨터 또는 프로세서에 의해 수행되는 다양한 프로세스를 나타내는 것으로 이해되어야 한다.
프로세서 또는 이와 유사한 개념으로 표시된 기능 블럭을 포함하는 도면에 도시된 다양한 소자의 기능은 전용 하드웨어뿐만 아니라 적절한 소프트웨어와 관련하여 소프트웨어를 실행할 능력을 가진 하드웨어의 사용으로 제공될 수 있다. 프로세서에 의해 제공될 때, 상기 기능은 단일 전용 프로세서, 단일 공유 프로세서 또는 복수의 개별적 프로세서에 의해 제공될 수 있고, 이들 중 일부는 공유될 수 있다.
또한 프로세서, 제어 또는 이와 유사한 개념으로 제시되는 용어의 명확한 사용은 소프트웨어를 실행할 능력을 가진 하드웨어를 배타적으로 인용하여 해석되어서는 아니되고, 제한 없이 디지털 신호 프로세서(DSP) 하드웨어, 소프트웨어를 저장하기 위한 롬(ROM), 램(RAM) 및 비 휘발성 메모리를 암시적으로 포함하는 것으로 이해되어야 한다. 주지관용의 따른 하드웨어도 포함될 수 있다.
본 명세서의 청구범위에서, 상세한 설명에 기재된 기능을 수행하기 위한 수단으로 표현된 구성요소는 예를 들어 상기 기능을 수행하는 회로 소자의 조합 또는 펌웨어/마이크로 코드 등을 포함하는 모든 형식의 소프트웨어를 포함하는 기능을 수행하는 모든 방법을 포함하는 것으로 의도되었으며, 상기 기능을 수행하도록 상기 소프트웨어를 실행하기 위한 적절한 회로와 결합된다. 이러한 청구범위에 의해 정의되는 본 발명은 다양하게 열거된 수단에 의해 제공되는 기능들이 결합되고 청구항이 요구하는 방식과 결합되기 때문에 상기 기능을 제공할 수 있는 어떠한 수단도 본 명세서로부터 파악되는 것과 균등한 것으로 이해되어야 한다.
상술한 목적, 특징 및 장점은 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해질 것이며, 그에 따라 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 또한, 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에 그 상세한 설명을 생략하기로 한다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 일 실시 예를 상세히 설명하기로 한다.
도 1은 본 발명의 실시 예에 따른 전체 시스템을 개략적으로 도시한 개념도이다.
도 1을 참조하면, 본 발명의 실시 예에 따른 시스템은 다중 컨텐츠 평가 장치(100) 및 지식 구조 데이터베이스(200)를 포함한다.
지식 구조 데이터베이스(200)에는 분석 대상인 복합적인 다중 컨텐츠가 입력될 수 있다. 다중 컨텐츠는 영화, 음악, 드라마, 소셜 컨텐츠와 같이, 다양한 카테고리와 메타 정보 및 선호도를 갖는 컨텐츠들이 포함될 수 있으며, 각 컨텐츠마다 그 특성 및 성격이 상이하므로 각기 다른 서비스를 필요로 할 수 있다.
이에 따라, 사용자별 다중 컨텐츠를 추천하기 위해서는 사용자의 선호도 대한 심도 깊은 이해가 선행되어야 하며, 단일 콘텐츠만을 이용하는 기술들과 근본적으로 다른 접근을 취함으로써, 검색 및 추천에 활용될 수 있어야 한다.
따라서, 본 발명의 실시 예에 따른 다중 컨텐츠 평가 장치(100)는 상기 다중 컨텐츠를 사용자 기록 및 다중 컨텐츠 데이터를 기반으로 하는 사용자 지식구조를 구축할 수 있으며, 상용자 지식구조를 기반으로 사용자별 신규 컨텐츠에 대한 적합성을 평가할 수 있으며, 평가에 따라 상기 평가에 따라 적합하다고 판단되는 상기 신규 컨텐츠를 사용자에게 추천 또는 제공할 수 있다.
이를 위해, 다중 컨텐츠 평가 장치(100)는 상기 구축된 사용자 지식구조에 기초하여, 선호도 정보를 이용한 지식구조 기반의 사용자간 유사도를 분석하며, 상기 다중 컨텐츠 데이터의 메타 정보에 대한 지식 구조를 구축하고, 상기 사용자 지식구조과의 관계도에 따라, 메타 정보에 대한 사용자 선호도를 분석하고, 상기 분석된 사용자 지식구조간 유사도 또는 메타 정보에 대한 사용자 선호도 중 적어도 하나에 기초하여, 신규 컨텐츠에 대응되는 사용자 적합성을 예측 평가할 수 있다.
여기서, 상기 지식 구조는 다중 컨텐츠의 핵심 개념들과 그들의 유사도 및 근접성에 기반한 연관 관계를 조직적으로 구성한 스키마 모델로서, 개념간 선이 연결되는 경우 두 개념이 밀접한 관계가 있음을 나타낼 수 있다. 따라서, 지식 구조는 핵심 개념 및 그들의 연관 관계를 통해 상호 연결된 구조를 의미할 수 있다. 지식구조는 인지과학(Cognitive Science)에서는 인지 스키마(Cognitive Schema)라고 할 수 있다.
이에 본 발명의 실시 예에서는 상기와 같은 개념 구성 및 후술할 구체적인 구성들에 따라, 상기 지식 구조를 다중 컨텐츠에 대해 적합하게 구축하고, 사용자별 유사도와 메타 정보간 선호도를 분석하여, 신규 컨텐츠에 대한 적절한 평가가 이루어 질 수 있도록 하는 시스템을 제공할 수 있다.
도 2는 본 발명의 실시 예에 따른 다중 컨텐츠 평가 장치를 보다 구체적으로 도시한 블록도이다.
도 2를 참조하면, 본 발명의 실시 예에 따른 다중 컨텐츠 평가 장치는, 지식구조 모델링부(110), 메타 정보 지식구조 모델링부(120), 선호도 반영 지식구조 모델링부(130), 유사도 분석부(140), 컨텐츠 평가 예측부(150), 선호도 분석부(160) 및 컨텐츠 관리부(170)를 포함한다.
지식 구조 모델링부(110)는 지식구조 데이터베이스(200)로부터 다중 컨텐츠 데이터에 기반한 지식 구조를 생성한다.
이를 위해, 지식 구조 모델링부(110)는 컨텐츠 데이터로부터 사용 빈도에 따른 중요 단어를 추출하고, 각 중요 단어간 공기 정보(Co-occurrence)를 추출하며, 공기 정보에 기초하여 중요 단어들을 그래프 정규화함으로써 지식 구조를 생성할 수 있다. 이를 위해, 각 핵심 단어간 연관관계 정보로 이루어진 유사도 측정 테이블이 생성될 수 있으며, 패스파인더 알고리즘 등을 이용하여 각 개념 간을 최단 거리로 연결하여 주는 지식 구조가 자동 생성될 수 있다.
이에 따라 생성된 지식 구조는 다수의 노드와 다수의 링크로 표현되는 정규화된 그래프를 나타낼 있으며, 지식구조화된 데이터의 형태는 도 1에서도 예시되어 있다. 주요 키워드들은 다수의 노드에 대응될 수 있고, 키워드간 연관 관계는 다수의 링크에 대응될 수 있다.
특히, 본 발명의 실시 예에 따르면, 지식 구조 모델링부(110)는 다중 컨텐츠 데이텅 대한 사용자 기록에 기초하여 사용자별 지식구조를 구축할 수 있다. 예를 들어, 사용자 기록은 사용자 자료 열람시 이루어진 평가 기타 다양한 액션에 대한 정보를 포함할 수 있다. 이에 따라, 모든 다중 컨텐츠의 자료는 융합되어 지식구조화될 수 있을 뿐만 아니라 사용자간 유사도의 비교 분석이 가능하게 된다.
그리고, 선호도 반영 지식구조 모델링부(130)는 상기 사용자 기록에 포함된 선호 정보를 상기 지식 구조에 선택적으로 반영한 사용자별 지식구조를 구축한다.
이를 위해, 선호도 반영 지식구조 모델링부(130)는 사용자 기록에 선호도(rating)이 포함되어 있는지 식별할 수 있으며, 선호도가 포함된 경우 상기 미리 생성된 지식구조에 상기 선호도 정보를 반영할 수 있다. 선호도는 지식구조의 각 키워드 노드들이 갖는 중요도(키워드의 weight)에 반영될 수 있으며, 지식구조가 사용자별로 상이하게 형성될 수 있으므로 유사도 비교 분석이 용이하게 된다.
이에 따라, 유사도 분석부(140)는 상기 지식 구조 모델링부(110) 또는 선호도 반영 지식구조 모델링부(130)에서 모델링된 사용자 지식구조간의 유사도 분석을 수행할 수 있다.
이를 위해, 유사도 분석부(140)는 사용자간 지식구조를 매트릭스 형태로 변환하고, 매트릭스간 유사도 프로세스 처리를 통해 지식구조간 유사도를 산출할 수 있다.
보다 구체적으로, 예를 들어, 사용자 1과 사용자 2의 지식구조를 Matrix 형태로 바꾸어 아래와 같이 나타낼 수 있다.
사용자 1 단어 1 단어 2 단어 3
단어 1 - 3 2
단어 2 - 1
단어 3 - - -
사용자 2 단어 1 단어 2 단어 3
단어 1 - 3 2
단어 2 - 1
단어 3 - - -
이 때, 상기 사용자 1과 사용자 2간 유사도를 비교하기 위해, 하기와 같은 수학식을 이용할 수 있다.
Figure 112016062626216-pat00001
유사도(Similarity)는 상기와 같이 A, B간 코사인 유도 공식으로 산출될 수 있다. A, B는 비교 대상이 되는 두 개의 컨텐츠, i는 키워드를 의미할 수 있다.
상기와 같은 코사인 유사도 공식을 통해, 상기 사용자 1, 2간의 지식구조 유사도를 비교하면, 결과 값은 1이 됨으로써, 동일한 지식구조라고 표현될 수 있다.
한편, 메타 정보 지식구조 모델링부(120)는 상기 컨텐츠 데이터를 메타 정보에 기초하여 분류하고, 분류된 메타 정보에 기반한 지식구조를 구축한다.
이에 따라, 지식 구조는 다중 컨텐츠의 주요 키워드 뿐만 아니라, 메타 정보에 기초한 분류정보에 대해서도 구축될 수 있다. 예를 들어, 상기 메타 정보는 카테고리 정보일 수 있다. 이와 같이 분류된 메타 정보에 따른 지식 구조는 유사도 분석에 따라 사용자간 선호도를 분석하는데 이용될 수 있다.
이에 따라, 선호도 분석부(160)는 상기 사용자별 사용자 지식구조와 상기 메타 정보 지식구조간 관계도를 산출하고, 분류에 이용된 메타 정보에 기초하여 사용자간 선호도를 분석할 수 있다. 또한, 분석된 선호도는 유사도 분석부(140)에서 사용자간 메타 정보 선호도를 비교하여 유사도를 추출하는데 이용될 수 있다.
또한, 유사도 분석부(140)에서는 선호도 분석 결과를 기초로, 메타 정보 중 카테고리에 대한 사용자간 유사도를 분석할 수도 있다.
예를 들어, 하기 표 3과 같이, 선호도 분석부(160)는 음악 카테고리 내의 단어들과 사용자 1간의 지식구조내의 단어들의 공기정보를 통해 사용자의 선호도를 분석할 수 있다.
음악 단어1 단어2 단어3
단어4 단어5 단어6
단어7 단어8 단어9
사용자(1) 단어1 단어2 단어3
단어10 단어11 단어12
단어13 단어14 단어15
그리고, 유사도 분석부(140)는 각 사용자간 메타 정보 선호도의 유사도를 분석하기 위해, 사용자 1의 각 카테고리별 선호도와 사용자 2의 각 카테고리별 선호도의 코사인 유사도를 산출할 수 있다. 이를 위해 전술한 수학식 1이 다시 이용될 수 있다.
한편, 컨텐츠 평가 예측부(150)는 상기 분석된 사용자 지식구조간 유사도 또는 메타 정보에 대한 사용자 선호도 중 적어도 하나에 기초하여, 신규 컨텐츠에 대응되는 사용자 적합성을 예측 평가한다.
즉, 컨텐츠 관리부(170)는 신규 컨텐츠에 대한 평가 점수를 특정 사용자에 대하여 예측함으로써, 상기 특정 사용자에게 상기 신규 컨텐츠가 적합한지를 판별할 수 있다.
컨텐츠 평가 예측부(150)는 평가 점수의 예측을 위해, 상기 선호도 분석부(160)와 유사도 분석부(140)를 이용할 수 있으며, 분석 결과를 총합함으로써 예측 점수를 산출할 수 있다.
이를 위해, 컨텐츠 평가 예측부(150)는 상기 신규 컨텐츠에 대한 평가 정보가 존재하는 사용자 그룹 내의 모든 사용자들에 대한 평가 정보와, 상기 추천 대상 사용자간 유사도를 총합 및 정규화하여 산출할 수 있다. 이를 수식으로 나타내면 하기와 같다.
Figure 112016062626216-pat00002
상기 수학식 2에서, r(u,i)는 사용자 u에 대한 컨텐츠 i의 평가 점수를 의미하며, 평가 예측부(150)는 상기 수학식 2의 총합(aggregation) 연산에 의해, 사용자 u 와 콘텐츠 i 에 대하여, 콘텐츠 i 에 대한 평가 정보가 존재하는 사용자 그룹 U 내의 모든 사용자들 u’ 의 콘텐츠 i 에 대한 평가와 사용자 u 와의 유사도를 총합하여 N 의 수치로 정규화할 수 있다.
한편, 선호도 분석부(160)는 평가 정보를 보다 정밀하게 산출하기 위해, 세부 토픽 선호도를 분석하고, 분석 결과에 따른 선호도 예측을 조정할 수 있다.
이를 위해, 선호도 분석부(160)는 메타 정보 기반 토픽 모델링 분석을 수행하기 위해, 지식구조의 클러스터링을 통해 토픽을 선정할 수 있다.
그리고, 선호도 분석부(160)는 선정된 토픽들에 대한 사용자 선호도를 산출할 수 있으며, 평가 예측부(150)는 산출된 토픽들에 대한 선호도를 기초로 사용자의 선호도 예측을 조정할 수 있다.
이와 같은 선호도 예측 조정을 위해, 하기 수학식 3이 이용될 수 있다.
Figure 112016062626216-pat00003
상기 식에서 상기 CFprediction은 지식구조 기반 사용자 유사도, 선호도 반영 지식구조 기반 사용자 유사도 또는 메타 정보에 기초한 사용자 유사도 중 어느 하나가 이용될 수 있으며, 유연한 모델 구축을 위해 이 중 가장 적합한 값이 이용될 수 있다. 이에 따라 수학식 3에 의해, 노드 집합 N의 각 노드 n에 대한 평가 점수가 상기 토픽별 사용자 선호도 예측에 따라 각각 조정될 수 있다.
그리고, 컨텐츠 관리부(170)는 적합하다고 판단된 신규 컨텐츠를 검색 이용자 또는 컨텐츠 이용자에게 추천하거나, 제공할 수 있다. 이를 위해, 컨텐츠 관리부(170)는 컨텐츠 추천부(171) 및 컨텐츠 제공부(172)를 포함할 수 있다.
예를 들어, 컨텐츠 관리부(170)는 다중 컨텐츠 검색 결과 페이지에 다중 컨텐츠 추천 또는 제공 페이지 등을 다양하게 구성 및 제공할 수 있으며, 다수의 사용자는 자신이 구비한 단말 등을 통해 다중 컨텐츠 평가 장치(100)에 접속하여 컨텐츠 관리부(170)에서 본 발명의 실시 예에 따라 제공되는 검색 서비스 또는 컨텐츠 평가 서비스 및 추천 서비스를 제공받을 수 있다.
도 3은 본 발명의 실시 예에 따른 다중 컨텐츠 평가 방법을 보다 구체적으로 도시한 흐름도이며, 도 4 내지 도 8은 본 발명의 실시 예에 따라 형성되는 지식구조 및 사용자 간 유사도 분석을 도식화하여 설명하기 위한 도면들이다.
이하에서는 도 4 내지 도 8을 참조하여, 도 3에 도시된 본 발명의 실시 예에 따른 다중 컨텐츠 평가 방법을 설명한다.
도 3을 참조하면, 본 발명의 실시 예에 따른 다중 컨텐츠 평가 장치(100)는 지식 구조 모델링부(110)를 통해 사용자 기록 및 컨텐츠 데이터베이스 기반으로 하는 사용자별 지식구조를 구축한다(S101).
전술한 바와 같이, 지식구조는 사용자 열람 정보에 따라 사용자별로 구축될 수 있으며, 각 사용자간 유사도가 비교 분석될 수 있다. 사용자별 지식 구조는 도 4에 도시된 바와 같이 사용자 1에 대한 지식구조와 사용자 2에 대한 지식구조가 서로 상이하거나 유사하게 형성될 수 있으며, 각 사용자간 지식구조의 유사도는 비교 분석됨으로써, 이후 수행될 컨텐츠 추천에 이용될 수 있다.
그리고, 다중 컨텐츠 평가 장치(100)는 선호도 반영 지식구조 모델링부(130)를 통해, 사용자 기록에 포함된 선호도 정보를 기반으로 선호도가 반영된 지식구조를 모델링한다(S103).
도 5에 도시된 바와 같이, 사용자 열람 정보에 선호도(RATING)이 포함되어 있는 경우, 각 노드들의 중요도(WEIGHT)에 반영시켜, 동일 사용자라도 도 4에서의 기존 지식구조와는 상이한 구조의 선호도 반영 지식구조가 모델링될 수 있다.
그리고, 다중 컨텐츠 평가 장치(100)는 유사도 분석부(140)를 통해 상기 지식구조간 유사도를 분석한다(S105).
전술한 바와 같이, 다중 컨텐츠 평가 장치(100)는 지식구조간 유사도 연산에 따라 사용자별 비교 분석을 수행할 수 있다. 예를 들어, 전술한 수학식 1을 이용하여, 사용자 1에 대한 선호도 반영 지식구조와 사용자 2에 대한 선호도 반영 지식구조간 유사도를 코사인 분석에 따라 산출할 수 있다.
한편, 다중 컨텐츠 평가 장치(100)는 컨텐츠 데이터의 메타 정보에 대한 지식 구조를 구축하고, 사용자별 지식구조와의 관계도를 산출하여, 사용자간 선호도 산출 및 유사도 분석을 수행한다(S107).
컨텐츠 데이터에 대한 지식구조는 메타 데이터에 대하여도 형성될 수 있다. 메타 정보는 예를 들어 카테고리 정보를 포함할 수 있다. 도 6에 도시된 바와 같이 사용자 1의 지식구조에 대응하여, 음악 카테고리에 대응되는 메타 정보 지식 구조가 형성될 수 있다. 이에 따라 분류된 메타 데이터와 사용자 지식 구조간 관계도가 산출될 수 있으며, 유사도 분석부(140)와 선호도 분석부(160)는 상기 각 메타 정보 선호도를 산출에 다른 메타 정보 기반 사용자별 유사도를 추출할 수 있게 된다.
이에 따라, 다중 컨텐츠 평가 장치(100)는 신규 컨텐츠에 대응되는 사용자 평가 예측을 수행한다(S109).
평가 예측을 위해, 컨텐츠 평가 예측부(150)는 상기 신규 컨텐츠에 대한 평가 정보가 존재하는 사용자 그룹 내의 모든 사용자들에 대한 평가 정보와, 상기 추천 대상 사용자간 유사도를 총합 및 정규화하여 산출할 수 있으며, 상기 수학식 2를 이용할 수 있다.
한편, 다중 컨텐츠 평가 장치(100)는 메타 정보 클러스터링 및 선호도 예측 조정에 따른 세부 토픽 선호도를 분석한다(S111).
선호도 분석부(160)는 세부 토픽 선호도 분석을 위해 상기 수학식 3을 이용하여 각 토픽들에 대한 선호도를 기반으로 하는 사용자별 선호도의 예측값을 조정할 수 있으며, 이에 따라 평가 예측부(150)에서의 평가에도 조정된 선호도가 반영될 수 있다. 선호도 조정에 따라 도 7에 도시된 바와 같은 전체 지식 구조의 토픽별 세부 조정이 이루어질 수 있다.
그리고, 다중 컨텐츠 평가 장치(100)는, 컨텐츠 관리부(170)를 통해 분석 결과가 반영된 각각의 지식구조 모델에 기반한 다중 컨텐츠 추천 및 제공을 수행한다(S113).
다중 컨텐츠 평가 장치(100)의 지식구조 모델에 기반한 다중 컨텐츠 추천 및 제공 수행이 전체적으로 도 8에 개시되어 있다. 도 8에 도시된 바와 같이, 다중 컨텐츠 평가 장치(100)는 현재 사용자 1에 대한 다른 각 사용자들(2, 3)간 지식구조 모델별 유사도를 분석할 수 있으며, 전체 사용자들에 대한 종합적인 컨텐츠 평가 정보를 기초로, 사용자 1의 신규 컨텐츠에 대한 선호도를 예측할 수 있게 된다.
이에 따라, 다중 컨텐츠 평가 장치(100)는 사용자 1에게 신규 컨텐츠의 추천적합성을 결정할 수 있으며, 적합한 컨텐츠를 추천 및 제공할 수 있고, 보다 정밀한 사용자 프로파일을 구축할 수 있는 컨텐츠 관리 시스템을 형성할 수 있다.
한편, 상술한 본 발명에 따른 방법들은 컴퓨터에서 실행되기 위한 프로그램으로 제작되어 컴퓨터가 읽을 수 있는 기록 매체에 저장될 수 있으며, 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다.
컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고, 상기 방법을 구현하기 위한 기능적인(function) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있다.
또한, 이상에서는 본 발명의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형 실시가 가능한 것은 물론이고, 이러한 변형 실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안될 것이다.

Claims (10)

  1. 선호도 반영 지식구조 모델링부(130), 메타 정보 지식구조 모델링부(120), 유사도 분석부(140), 컨텐츠 평가 예측부(150) 및 선호도 분석부(160)를 포함하는 다중 컨텐츠 평가 장치를 통한 지식구조를 이용한 다중 컨텐츠 평가 방법에 있어서,
    상기 선호도 반영 지식구조 모델링부를 통해, 사용자 기록에 포함된 선호도 정보를 기반으로 선호도가 반영된 사용자 지식구조를 구축하는 단계;
    상기 유사도 분석부를 통해, 상기 선호도가 반영되어 구축된 사용자 지식구조에 기초하여, 선호도 정보를 이용한 지식구조 기반의 사용자간 유사도를 분석하는 단계;
    상기 메타 정보 지식구조 모델링부를 통해 상기 다중 컨텐츠 데이터의 메타 정보에 대한 지식 구조를 구축하고, 상기 선호도 분석부를 통해, 상기 사용자 지식구조와의 관계도에 따라, 메타 정보에 대한 사용자 선호도를 분석하는 단계; 및
    상기 컨텐츠 평가 예측부를 통해, 상기 분석된 사용자 지식구조간 유사도 또는 메타 정보에 대한 사용자 선호도 중 적어도 하나에 기초하여, 신규 컨텐츠에 대응되는 사용자 적합성을 예측 평가하는 단계를 포함하며,
    상기 유사도를 분석하는 단계는,
    사용자별 지식구조를 매트릭스로 변환하고, 매트릭스간 코사인 유사도 분석을 통해, 상기 유사도를 평가하는 것을 특징으로 하는
    지식구조를 이용한 다중 컨텐츠 평가 방법.
  2. 제1항에 있어서,
    상기 예측 평가하는 단계는,
    상기 컨텐츠 데이터의 클러스터링된 메타 정보를 이용하여 선정된 토픽별 사용자 선호도를 산출하고, 상기 토픽별 사용자 선호도에 따라 사용자 선호도에 대해 미리 산출된 예측 평가 정보를 조정하는 단계를 포함하는
    지식구조를 이용한 다중 컨텐츠 평가 방법.
  3. 삭제
  4. 제1항에 있어서,
    상기 지식구조는 다중 컨텐츠 문서에 포함된 주요 키워드에 각각 대응되는 다수의 노드와, 노드간 의미의 근접성을 표시하는 다수의 링크로 표현되는 것을 특징으로 하는
    지식구조를 이용한 다중 컨텐츠 평가 방법.
  5. 삭제
  6. 제1항에 있어서,
    상기 예측 평가하는 단계는,
    상기 신규 컨텐츠에 대한 추천 대상 사용자의 사용자 선호도를 예측하기 위해, 상기 신규 컨텐츠에 대한 평가 정보가 존재하는 사용자 그룹 내의 모든 사용자들에 대한 평가 정보와, 상기 추천 대상 사용자간 유사도를 총합 및 정규화하여 산출하는 단계를 더 포함하는
    지식구조를 이용한 다중 컨텐츠 평가 방법.
  7. 제2항에 있어서,
    상기 조정하는 단계는,
    지식구조 기반 사용자 유사도 또는 메타 정보에 대한 사용자 유사도 중 어느 하나에 기초하여, 상기 토픽별 사용자 선호도 예측을 조정하는 단계를 더 포함하는
    지식구조를 이용한 다중 컨텐츠 평가 방법.
  8. 지식구조를 이용한 다중 컨텐츠 평가 장치에 있어서,
    사용자 기록 및 다중 컨텐츠 데이터를 기반으로 상기 사용자 기록에 포함된 선호도가 반영된 사용자 지식구조를 구축하는 지식구조 구축부;
    상기 구축된 사용자 지식구조에 기초하여, 선호도 정보를 이용한 지식구조 기반의 사용자간 유사도를 분석하는 유사도 분석부;
    상기 다중 컨텐츠 데이터의 메타 정보에 대한 지식 구조를 구축하고, 상기 사용자 지식구조과의 관계도에 따라, 메타 정보에 대한 사용자 선호도를 분석하는 선호도 분석부;
    상기 분석된 사용자 지식구조간 유사도 또는 메타 정보에 대한 사용자 선호도 중 적어도 하나에 기초하여, 신규 컨텐츠에 대응되는 사용자 적합성을 예측 평가하는 평가 예측부; 및
    상기 평가에 따라 적합하다고 판단되는 상기 신규 컨텐츠를 사용자에게 추천 또는 제공하는 컨텐츠 관리부를 포함하며,
    상기 유사도 분석부는,
    사용자별 지식구조를 매트릭스로 변환하고, 매트릭스간 코사인 유사도 분석을 통해, 상기 유사도를 평가하는 것을 특징으로 하는 지식구조를 이용한 다중 컨텐츠 평가 장치.
  9. 선호도 반영 지식구조 모델링부(130), 메타 정보 지식구조 모델링부(120), 유사도 분석부(140), 컨텐츠 평가 예측부(150), 선호도 분석부(160) 및 컨텐츠 추천부(171)와 컨텐츠 제공부(172)를 구비하는 컨텐츠 관리부(170)를 포함하는 다중 컨텐츠 평가 장치를 통한 지식구조를 이용한 다중 컨텐츠 추천 방법에 있어서,
    상기 선호도 반영 지식구조 모델링부를 통해, 사용자 기록에 포함된 선호도 정보를 기반으로 선호도가 반영된 하는 사용자 지식구조를 구축하는 단계;
    상기 유사도 분석부를 통해, 상기 선호도가 반영되어 구축된 사용자 지식구조에 기초하여, 선호도 정보를 이용한 지식구조 기반의 사용자간 유사도를 분석하는 단계;
    상기 메타 정보 지식구조 모델링부를 통해 상기 다중 컨텐츠 데이터의 메타 정보에 대한 지식 구조를 구축하고, 상기 선호도 분석부를 통해, 상기 사용자 지식구조와의 관계도에 따라, 메타 정보에 대한 사용자 선호도를 분석하는 단계;
    상기 컨텐츠 평가 예측부를 통해, 상기 분석된 사용자 지식구조간 유사도 또는 메타 정보에 대한 사용자 선호도 중 적어도 하나에 기초하여, 신규 컨텐츠에 대응되는 사용자 적합성을 예측 평가하는 단계; 및
    상기 컨텐츠 관리부를 통해, 상기 평가에 따라 적합하다고 판단되는 상기 신규 컨텐츠를 사용자에게 추천 또는 제공하는 단계를 포함하며,
    상기 유사도를 분석하는 단계는,
    사용자별 지식구조를 매트릭스로 변환하고, 매트릭스간 코사인 유사도 분석을 통해, 상기 유사도를 평가하는 것을 특징으로 하는
    지식구조를 이용한 다중 컨텐츠 추천 방법.
  10. 삭제
KR1020160081128A 2016-06-28 2016-06-28 지식구조를 이용한 다중 컨텐츠 평가 방법, 그 장치 및 이를 이용한 컨텐츠 추천방법 KR101784106B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160081128A KR101784106B1 (ko) 2016-06-28 2016-06-28 지식구조를 이용한 다중 컨텐츠 평가 방법, 그 장치 및 이를 이용한 컨텐츠 추천방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160081128A KR101784106B1 (ko) 2016-06-28 2016-06-28 지식구조를 이용한 다중 컨텐츠 평가 방법, 그 장치 및 이를 이용한 컨텐츠 추천방법

Publications (1)

Publication Number Publication Date
KR101784106B1 true KR101784106B1 (ko) 2017-10-11

Family

ID=60139300

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160081128A KR101784106B1 (ko) 2016-06-28 2016-06-28 지식구조를 이용한 다중 컨텐츠 평가 방법, 그 장치 및 이를 이용한 컨텐츠 추천방법

Country Status (1)

Country Link
KR (1) KR101784106B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020138928A1 (en) * 2018-12-24 2020-07-02 Samsung Electronics Co., Ltd. Information processing method, apparatus, electrical device and readable storage medium
KR102309715B1 (ko) 2020-12-29 2021-10-07 핵클 주식회사 이상징후 관리가 가능한 에이비 테스팅 플랫폼의 제공 방법

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020138928A1 (en) * 2018-12-24 2020-07-02 Samsung Electronics Co., Ltd. Information processing method, apparatus, electrical device and readable storage medium
US12099558B2 (en) 2018-12-24 2024-09-24 Samsung Electronics Co., Ltd. Method and apparatus for providing content based on user activity
KR102309715B1 (ko) 2020-12-29 2021-10-07 핵클 주식회사 이상징후 관리가 가능한 에이비 테스팅 플랫폼의 제공 방법

Similar Documents

Publication Publication Date Title
Park et al. Estimating node importance in knowledge graphs using graph neural networks
He et al. Diversified third-party library prediction for mobile app development
US8285702B2 (en) Content analysis simulator for improving site findability in information retrieval systems
US9418128B2 (en) Linking documents with entities, actions and applications
He et al. Keyword search for building service-based systems
US20110176737A1 (en) Personalized tag ranking
KR20080099232A (ko) 문제 분석을 위한 시스템 및 방법
KR101590976B1 (ko) 협업 필터링 기반 추천 성능을 향상 시키기 위한 의미 클러스터 기반 매트릭스 지역화 방법 및 장치
CN109947902A (zh) 一种数据查询方法、装置和可读介质
KR20200049193A (ko) 콘텐츠 추천 방법 및 이를 지원하는 서비스 장치
Vicente-López et al. An automatic methodology to evaluate personalized information retrieval systems
CN116842099B (zh) 一种多源异构数据处理方法和系统
KR101450453B1 (ko) 컨텐츠 추천 방법 및 장치
JP5221664B2 (ja) 情報マップ管理システムおよび情報マップ管理方法
IL248313A (en) Research on data-driven preference and semantic processing
Ghanbarpour et al. A model-based method to improve the quality of ranking in keyword search systems using pseudo-relevance feedback
KR101784106B1 (ko) 지식구조를 이용한 다중 컨텐츠 평가 방법, 그 장치 및 이를 이용한 컨텐츠 추천방법
Cena et al. Anisotropic propagation of user interests in ontology-based user models
Duong et al. User-item correlation in hybrid neighborhood-based recommendation system with synthetic user data
Pernischová The butterfly effect in knowledge graphs: Predicting the impact of changes in the evolving web of data
Bhatia et al. Know thy neighbors, and more! studying the role of context in entity recommendation
Alhijawi Improving collaborative filtering recommender system results and performance using satisfaction degree and emotions of users
Müllner et al. Towards employing recommender systems for supporting data and algorithm sharing
Mauro et al. Extending a tag-based collaborative recommender with co-occurring information interests
Shah et al. Bridging task expressions and search queries

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant